.png){kind=icon}
返回
SampleDet3D: Sample Enhanced 3D Object Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSVT.2025.3587019.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于中心点的3D目标检测技术近期表现不及先进技术。我们通过实验发现其根源在于基本样本机制的两个弱点：1) 不合理的分配导致近距离和高频次目标主导网络优化，因为样本被平均分配给每个目标；2) 模糊的编码使样本表现出次优的目标区分能力，由于编码过程受限于有限的感受野。为实现合理的分配，我们提出了动态多质量分配（DMQA），通过精细控制动态分配和监督样本。具体而言，初始样本基于每个目标的先验属性（类别和距离）进行定义，并根据学习效果（分类和定位置信度）动态调整。此外，引入多尺度辅助损失以确保样本精确学习。针对模糊编码问题，引入交互增强（IE）通过跨任务和跨样本交互提升样本表示能力。跨任务交互首先从另一任务图聚合邻域上下文，并行注意力机制进一步在局部和全局层面执行跨样本交互。基于DMQA和IE，我们提出了一种新型3D检测器，命名为样本增强3D目标检测（SampleDet3D）。全面的实验表明，SampleDet3D有效提升了中心点检测性能，并在Waymo和ONCE数据集上实现了最先进的表现。
Keyword:
Center-based 3D object detection
sample-mechanism weaknesses
category-distance-based assignment
interactive enhancement
期刊
IF:
11.1
论文数:
845
被引数:
3.1W
机构
引用论文
.png){kind=icon}
Bridging the Gap Between Anchor-Based and Anchor-Free Detection via Adaptive Training Sample Selection通过自适应训练样本选择弥合基于锚点和无锚检测之间的差距
OAAI
OAAI分享收藏PARTNER: Level up the Polar Representation for LiDAR 3D Object Detection合作伙伴：提升极坐标表示法以用于LiDAR 3D目标检测
OAAI
OAAI分享收藏分享收藏
查看更多内容